Fevereiro 7, 2020

Curso Redes Neurais, Deep Learning e Visão Computacional

A área mais proeminente da Inteligência Artificial

  • Conhecimento que se transforma em proficiência
  • Explicações teóricas mais didáticas que você poderia encontrar
  • Todos os códigos de programação são bem esclarecidos
  • Conteúdos cuidadosamente organizados
  • Sem enrolação, direto ao ponto!​
  • É possível controlar a velocidade de reprodução de cada um dos vídeos, acelerando ou diminuindo conforme sua necessidade
  • Suporte a dúvidas
  • Acesso vitalício
  • Certificado de conclusão

Conteúdos das Aulas:​

1) História das redes neurais artificiais

2) A inspiração no neurônio biológico e a modelagem matemática

3) Introdução a Redes neurais e deep learning

4) Redes neurais: matemática

5) Gradiente descendente estocástico (SGD)

6) Função de ativação ReLu

7) O que são Frameworks

8) Instalando o framework Keras

9) Preparando um dataset para a rede neural (com Keras)

10) Criando e treinando a rede neural (com Keras)

11) Realizando previsões com a rede neural (com Keras)

12) Preparando imagens de dígitos numéricos para a rede neural (com Keras)

13) Treinando a rede neural com imagens (com Keras)

14) Avaliando gráficos de performance da rede neural (com Keras)

15) Vanishing/exploding gradient

16) Técnicas de Regularização L1 e L2

17) Técnica de regularização Dropout

18) Função de custo cross-entropy

20) Função de ativação Softmax

21) SGD com Momentum & Nesterov momentum

22) O otimizador RMSprop

23) O otimizador Adam

24) O otimizador Amsgrad

25) Os otimizadores Adamax, Nadam e Adagrad

26) O otimizador Adadelta

27) Exemplo mais completo de rede neural em problema de classificação com Keras

28) Apresentação do exercício mais completo de classificação com Keras

29) Solução do exercício mais completo de classificação com Keras

30) Redes neurais para problemas de regressão

31) Exemplo completo de rede neural para problema de regressão com Keras

32) Apresentação do exercício completo de regressão com Keras

33) Solução do exercício completo de regressão com Keras

34) Redes neurais x Deep learning

35) O que é TensorFlow

36) Primeiro código com TensorFlow

37) Introdução a grafos no TensorFlow

38) O que são tensores

39) Multiplicando matrizes no TensorFlow

40) Variáveis no TensorFlow

41) Placeholders no TensorFlow

42) Introdução ao TensorBoard

43) Rede neural completa em problema de classificação com TensorFlow

44) Utilizando Dropout no TensorFlow

45) Aplicando Regularização L2 no TensorFlow

46) Apresentação do exercício de classificação com TensorFlow 

47) Solução do exercício de classificação com TensorFlow 

48) A importância da inicialização dos pesos e bias de uma rede neural

49) Apresentação do exercício de regressão com TensorFlow

50) Solução do exercício de regressão com TensorFlow

51) Criando gráficos para visualizar o treinamento

52) Visualizando a rede neural no Tensorboard 

53) Introdução a processamento paralelo

54) Diferenças entre CPU x GPU

55) Quando uma GPU é necessária em deep learning

56) Como escolher uma GPU

57) Como utilizar GPUs com Keras

58) Como utilizar GPUs com Tensorflow

59) Análise de Performance Keras vs Tensorflow

60) Introdução a CNNs (Convolutional Neural Networks)

61) CNNs (Teoria)

62) Pooling layers

63) Estrutura completa de uma CNN simples

64) CNNs com múltiplas camadas profundas

65) Compreendendo a conexão do 2º layer e seu filtro

66) A técnica de Padding

67) Calculando os Parâmetros e dimensões de uma CNN

68) Criando uma CNN com Keras para reconhecimento de dígitos

69) Criando uma CNN com TensorFlow para reconhecimento de dígitos

70) Criando uma CNN para reconhecimento de imagens do dataset CIFAR10

71) Utilizando a técnica de Data Augmentation

72) Conhecendo as Arquiteturas LeNet, AlexNet, VGG16 

73) O que é visão computacional e processamento de imagens 

74) Bibliotecas para processamento de imagens

75) Instalando OpenCV e Pillow

76) Abrindo uma imagem com o OpenCV

77) Salvando uma cópia da imagem

78) Separando os 3 canais de cores da imagem

79) Convertendo uma imagem para escala de cinza

80) Manipulando um pixel específico

81) Manipulando vários pixels da imagem

82) Desenhando formas com o OpenCV

83) Desenhando em cima de uma imagem

84) Escrevendo em uma imagem

85) Rotacionando uma imagem

86) Deslocando uma imagem

87) Redimensionando uma imagem

88) Invertendo uma imagem

89) Realizando operações aritméticas com imagens

90) Realizando operações lógicas com imagens

91) Criando máscaras para imagens

92) Criando histogramas de imagens

93) Filtrando uma imagem

94) Aplicando operações morfológicas em imagens (erosão, dilatação, opening, closing, gradient)

95) O que é gradiente de imagem (Teoria)

96) Método Canny para detecção de bordas (Teoria)

97) Detectando bordas de imagens com Canny Edge Detector no OpenCV

98) Conhecendo a biblioteca Pillow

99) Resolvendo Captcha usando Redes Neurais Convolucionais

100) Reconhecimento de objetos e o problema da escala

101) Diferentes algoritmos para reconhecimento de objetos 

102) A evolução dos algoritmos R-CNN, Fast R-CNN e Faster R-CNN 

103) Faster R-CNN e ROI pooling (Teoria)

104) Non-Maximum Suppression (NMS) e Intersection over Union (IoU)

105) Classes, métodos e instâncias em Python

106) Transfer Learning

107) Criando ambiente virtual e instalando dependências

108) Treinando o algoritmo Mask Faster R-CNN para reconhecer objetos

109) Avaliando a performance de reconhecimento de objetos com Mask Faster R-CNN 

110) Visualizando as localizações de objetos feitas pelo modelo treinado Mask Faster R-CNN

111) Treinando Mask Faster R-CNN a partir de um dataset criado manualmente

112) Visualizando as localizações de objetos e segmentações de instância feitas pelo Mask Faster R-CNN

113) Utilizando um modelo treinado de Mask Faster R-CNN para reconhecer 80 classes de objetos

114) O algoritmo YOLO (Teoria)

115) Utilizando um modelo treinado de YOLO para reconhecer 80 classes de objetos

116) Reconhecimento facial com Haar Cascade – Viola & Jones (Teoria)

117) Aplicando Haar Cascade para reconhecer faces

118) Style Transfer (teoria)

119) Eager Execution no TensorFlow

120) Construindo um algoritmo de Style Transfer

*QUIZ GERAL TEÓRICO

Exercícios Práticos

Muitos exercícios foram elaborados para você colocar em prática tudo o que está aprendendo ao longo do curso. Confira abaixo alguns exemplos de aplicações que você irá aprender:

previsao deep learning

Você irá Trabalhar com Python, Keras e TensorFlow

Pré-requisitos:

Quem já concluiu o Módulo 1 e o Módulo 2 possui todos os pré-requisitos necessários para a realização desse curso. 

Para aqueles que não realizaram os Módulos I e II, os pré-requisitos mínimos para aproveitar ao máximo esse curso são: conhecimentos em Python para Machine Learning; conhecimentos básicos do Processo de Machine Learning: Treinamento – Previsão – Validação; Regressão Linear; Regressão Logística.

Aproveite essa promoção especial!

Cursos de Machine Learning e Deep Learning com aulas práticas costumam custar acima de R$ 1.000,00.  Porém nesse momento você ainda pode ter acesso a esse módulo III com o material de Inteligência Artificial mais didático do mercado por apenas R$ 395,00. Ainda pode parcelar em até 12x de R$ 38,48. 

Logo após a confirmação da compra, você receberá um e-mail automaticamente com os dados de acesso ao curso!

OPÇÃO COMBO:

Quer ainda mais vantagem? Tenha acesso a todos os módulos I, II e III juntos por apenas R$ 495,00 (ou até 12x de R$ 48,23) no botão abaixo:

Experimente: se você não ficar totalmente satisfeito, pode solicitar o reembolso dentro do prazo de 7 dias.